综述：基于人工智能的异常呼吸音检测与分类技术深度评述

本综述系统回顾了人工智能（AI）技术在呼吸音分析（ReSA）领域的最新进展，重点探讨了机器学习（ML）与深度学习（DL）方法在异常呼吸音识别中的应用价值，通过对100项研究（2015-2025年）的系统分析，为呼吸系统疾病（如哮喘、COPD）的智能诊断提供了技术路径与发展建议。

　　

摘要

呼吸音分析（Respiratory Sound Analysis, ReSA）通过人工智能技术的融合取得显著进展，其辅助肺部疾病诊断的潜力引发了广泛研究关注。自动化异常肺音检测与分类技术有助于诊断哮喘、肺癌、急性呼吸道感染、肺结核及慢性阻塞性肺疾病（COPD）等病变。尽管异常呼吸音识别研究已取得阶段性成果，但其临床应用仍存在明显局限。计算呼吸音分析历经七十余年的发展，已形成多种用于呼吸系统疾病分类、检测与识别的技术体系。本综述重点阐释机器学习（ML）与深度学习（DL）在计算机辅助呼吸音分析中的影响，突出其辨别特定疾病相关异常肺音的能力。通过对2015年至2025年2月期间100项研究的系统回顾，确保了分析的全面性与稳健性。

呼吸音数据库与肺音特征

综述系统梳理了多个公开及专有呼吸音数据库，这些数据库为算法训练与验证提供了关键数据支撑。正常呼吸音主要包括气管呼吸音与支气管肺泡呼吸音，其频谱特征多集中于100–1000 Hz范围。异常呼吸音（Adventitious Sounds）则可分为连续性（如哮鸣音wheezes）与间断性（如爆裂音crackles）两大类，其在时域和频域表现出显著区别于正常信号的特性。这些声学特征是后续信号处理与模型构建的基础。

预处理与特征提取方法

在预处理阶段，研究普遍采用滤波去噪、信号分段和幅度归一化等技术以提升信号质量。特征提取环节则涵盖时域特征（如均方根、过零率）、频域特征（如梅尔频率倒谱系数MFCCs、功率谱密度）以及时频域特征（如小波变换特征）。这些特征能够有效表征呼吸音的声学属性，为后续分类模型提供区分性强的输入向量。

分类模型与算法体系

机器学习方法中，支持向量机（SVM）、随机森林（Random Forest）和k最近邻（k-NN）等传统分类器被广泛使用。而深度学习模型如卷积神经网络（CNN）、循环神经网络（RNN）尤其是长短期记忆网络（LSTM）和时序卷积网络（TCN），在端到端异常呼吸音识别中表现出优越性能。此类模型能自动学习特征层次结构，减少对手工设计特征的依赖。

性能评估与结果对比

研究中常用准确率、精确度、召回率、F1-score和曲线下面积（AUC）等指标评估模型性能。综合对比显示，深度学习模型在多数数据库中识别准确率超过90%，尤其在复杂多类分类任务中显著优于传统机器学习方法。不过，模型泛化能力仍受限于数据规模和质量，跨数据库性能下降现象较为常见。

挑战与未来方向

尽管技术不断进步，呼吸音分析在临床实践中的推广仍面临诸多挑战，包括数据标注一致性不足、个体差异干扰、环境噪声影响以及实时处理能力限制。未来研究应聚焦于开发更鲁棒的降噪算法、推进轻量化模型部署、探索多模态融合诊断（如结合影像与生理参数），并增强模型的可解释性以符合临床需求。

结论

本综述表明，人工智能技术在呼吸音检测与分类领域具有明确的应用前景和发展潜力。通过系统梳理技术框架、评估指标与发展瓶颈，本文为后续研究者提供了清晰的技术参考和攻关方向。推动呼吸音分析从实验室研究走向临床实用，仍需跨学科合作与更大规模临床验证的支持。